[發(fā)明專利]一種監(jiān)控視頻異常檢測方法及裝置

有效

• 申請?zhí)枺?/td>: 202011489398.1
• 申請日: 2020-12-16
• 公開（公告）號: CN112597864B
• 公開（公告）日: 2023-07-28
• 發(fā)明（設計）人: 黃振杰
• 申請（專利權）人: 佳都科技集團股份有限公司;廣州佳都科技軟件開發(fā)有限公司
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V20/40;G06V10/774;G06V10/764;G06V10/74;G06V10/82;G06N3/08;G06N3/0464
• 代理公司: 北京澤方譽航專利代理事務所(普通合伙) 11884
• 代理人: 陳照輝

1.一種監(jiān)控視頻異常檢測方法，其特征在于，包括：

獲取待檢測監(jiān)控視頻的第一視頻幀，將所述第一視頻幀輸入預先訓練的生成式對抗網絡模型和分類網絡模型；

通過所述生成式對抗網絡模型的生成器生成所述第一視頻幀的第一編碼向量，基于所述第一編碼向量重建視頻幀，得到第二視頻幀，并生成所述第二視頻幀的第二編碼向量，輸出第一編碼向量和第二編碼向量的相似度比對結果；通過所述分類網絡模型輸出對應的分類結果；

基于所述相似度比對結果和所述分類結果綜合判斷所述待檢測監(jiān)控視頻是否異常；

基于所述相似度比對結果和所述分類結果綜合判斷所述待檢測監(jiān)控視頻是否異常，包括：

若所述相似度比對結果大于第二設定閾值，所述分類結果為預定義的第二類別，判定所述待檢測監(jiān)控視頻異常；

若所述相似度比對結果小于或等于第二設定閾值，判定所述待檢測監(jiān)控視頻正常；

若所述相似度比對結果大于第二設定閾值，所述分類結果為預定義的第一類別，標定所述第一視頻幀可疑。

2.根據(jù)權利要求1所述的監(jiān)控視頻異常檢測方法，其特征在于，所述生成式對抗網絡模型的訓練流程包括：

以各個監(jiān)控視頻的指定視頻幀作為訓練樣本，構建第一訓練數(shù)據(jù)集；

搭建生成器，將所述第一訓練數(shù)據(jù)集的所述訓練樣本轉換成第一樣本向量，基于所述第一樣本向量重建視頻幀，得到對應的重建樣本，并將所述重建樣本轉換成第二樣本向量，基于所述訓練樣本、所述重建樣本、所述第一樣本向量和所述第二樣本向量計算第一損失函數(shù)；

搭建判別器，基于所述訓練樣本和所述重建樣本計算第二損失函數(shù)；

基于第一損失函數(shù)訓練所述生成器，基于所述第二損失函數(shù)訓練所述判別器。

3.根據(jù)權利要求2所述的監(jiān)控視頻異常檢測方法，其特征在于，所述第一損失函數(shù)的計算公式為：

loss_G＝w_closs_c+w_eloss_e+w_aloss_a

其中，loss_G為所述第一損失函數(shù)，loss_c為所述訓練樣本和所述重建樣本的重建損失函數(shù)，loss_e為所述第一樣本向量和所述第二樣本向量的特征向量編碼損失函數(shù)，loss_a為所述重建樣本的二分類交叉熵損失函數(shù)，w_c、w_e和w_a為對應的平衡因子。

4.根據(jù)權利要求3所述的監(jiān)控視頻異常檢測方法，其特征在于，輸出第一編碼向量和第二編碼向量的相似度比對結果，包括：

通過所述特征向量編碼損失函數(shù)計算第一編碼向量和第二編碼向量的相似度，輸出對應的相似度比對結果。

5.根據(jù)權利要求2所述的監(jiān)控視頻異常檢測方法，其特征在于，所述分類網絡模型的訓練流程包括：

分別以各個監(jiān)控視頻的指定視頻幀作為第一類別樣本和第二類別樣本，構建第二訓練數(shù)據(jù)集；

搭建分類網絡模型，所述分類網絡模型包括深度神經網絡和分類器，所述深度神經網絡用于將所述第二訓練數(shù)據(jù)集的視頻幀轉換為特征向量，所述分類器用于基于所述特征向量進行所述第二訓練數(shù)據(jù)集的視頻幀類別預測，輸出分類結果；

通過隨機抽樣訓練所述深度神經網絡和所述分類器，直至對應的交叉熵損失函數(shù)收斂，固定所述深度神經網絡的參數(shù)，通過類別均衡采樣訓練所述分類器，直至對應的交叉熵損失函數(shù)收斂。

6.根據(jù)權利要求5所述的監(jiān)控視頻異常檢測方法，其特征在于，分別以各個監(jiān)控視頻的指定視頻幀作為第一類別樣本和第二類別樣本，包括：

將所述第一訓練數(shù)據(jù)集的所述訓練樣本逐一輸入所述生成式對抗網絡模型的生成器，得到對應的相似度比對結果；

提取相似度比對結果大于第一設定閾值的所述訓練樣本作為第一類別樣本。